机器学习在肺癌VMAT计划中对危及器官剂量预测的可行性

• 作者: 刘苓苓 吴先想 崔相利 牛振洋 费振乐 闫凤
• 来源期刊: 中国医学物理学杂志
• 关键词: 肺癌 容积旋转调强 人工神经网络模型 机器学习 剂量体积直方图
• 年，卷（期）: 2020,（7）
• 所属期刊栏目: 医学人工智能
• 页码范围: 934-939
• 页数: 6页
• 分类号: R815.6|R318
• 语种: 中文
• DOI: 10.3969/j.issn.1005-202X.2020.07.025

摘要

目的:探讨机器学习在肺癌容积旋转调强(VMAT)治疗计划对心脏和肺的剂量体积直方图(DVH)预测的可行性.方法:选取51例肺癌VMAT计划,随机选取其中43例为训练组,剩余8例为验证组.分析训练组中患者的解剖信息与两侧肺V5、V20和心脏V30、V40的相关性.采用机器学习方法,以解剖信息为输入、危及器官(OAR)的DVH为输出,分别构建并训练关于两侧肺以及心脏的人工神经网络模型.将验证组中8例VMAT计划中的解剖信息分别输入到已经构建好的人工神经网络模型,分别预测OAR的DVH.结果:两侧肺V5、V20和心脏V30、V40受自身体积大小影响可忽略,受OAR与靶区的空间相对位置关系影响较大.患侧肺、对侧肺、心脏的人工神经网络结构模型中隐藏层分别含有41、38、34个神经结点,线性回归系数分别为0.994、0.975、0.986.对验证组中患侧肺和对侧肺的V5、V20的预测误差分别为2.70％±1.83％、2.84％±1.97％和13.7％±7.8％、0.72％±0.75％,对心脏V30、V40的预测误差分别为3.20％±0.63％、2.1％±1.5％,仅对侧肺V5的预测值和实际值差异有统计学意义(P<0.05).结论:采用人工神经网络方法可以对肺癌VMAT计划中解剖信息与OAR的DVH数据进行学习,构建的人工神经网络模型可预测出患侧肺、心脏V25～V60和对侧肺V20的DVH数据,可为临床计划设计提供参考.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	刘苓苓		11	20	3.0	4.0
2	崔相利		5	1	1.0	1.0
3	闫凤	联勤保障部队第901医院放疗科	1	0	0.0	0.0
4	牛振洋	联勤保障部队第901医院放疗科	2	1	1.0	1.0
5	费振乐	联勤保障部队第901医院放疗科	2	1	1.0	1.0
6	吴先想	蚌埠医学院第一附属医院放疗科	1	0	0.0	0.0